Multivariate spatio-temporal anomaly detection in a mobile network

Data mining is becoming increasingly important in a world where data is created and consumed at extraordinary rates. Of the many applications of data mining, anomaly detection is a particularly interesting one that aims at finding unusual patterns or data points, usually generated by rare negative events. In particular, anomaly detection applied to mobile networks can be used to improve the quality of the offered services, with benefits for end-users and service providers alike. The goal of this thesis is to present an effective strategy for spatio-temporal anomaly detection in a mobile network. To do so, we studied the performance of existing state-of-the-art algorithms applied to the mobile network domain. As a solution to the challenges of anomaly detection in this domain, we present a new algorithm, the Multivariate Spatio-Temporal Anomaly Detector using Fisher's method (MuSTF), an extension of the Fast Subset Scan framework and the STCOD algorithm. We applied MuSTF to real-world data collected from a region-wide mobile network over a month, and proved to be an improvement of current state-of-the-art algorithms in detecting drops in the quality of services, especially being able to detect anomalies with very little delay from the moment of their appearance.

Le tecniche di data mining stanno assumendo un'importanza sempre più grande in un mondo dove grandi quantità di dati sono create e utilizzate con una velocità straordinaria. Tra le molte applicazioni del data mining una particolarmente interessante è l'anomaly detection, ovvero il riconoscimento di dati inusuali, in genere indicazione di eventi rari, spesso negativi. In particolare, l'anomaly detection applicata alle reti mobili può essere usata per migliorare la qualità dei servizi offerti, con benefici sia per gli utenti sia per le compagnie che forniscono i servizi. Lo scopo di questa tesi è di presentare una strategia efficace per l'anomaly detection spaziotemporale applicata alle reti mobili. Per fare ciò, abbiamo analizzato la performance di algoritmi stato dell'arte nell'anomaly detection applicati a reti mobili. Per affrontare i problemi che sorgono nell'applicare anomaly detection in questo campo, abbiamo sviluppato un nuovo algoritmo, Multivariate Spatio-Temporal Anomaly Detector using Fisher's method (MuSTF), estendendo gli algoritmi pre-esistenti Fast Subset Scan e STCOD. Abbiamo applicato MuSTF a dati di QoS raccolti dalla rete mobile del Piemonte per un mese. MuSTF ha dimostrato di riconoscere cali nella qualità dei servizi con migliore precisione rispetto allo stato dell'arte, in particolare riconoscendo le anomalie con un ritardo particolarmente basso rispetto al loro insorgere.